基于MODIS遥感资料的江西省双季早稻估产研究

高学慧，黄淑娥 ，颜流水，祝必琴

(1.南昌航空大学 环境与化学工程学院，江西 南昌 330063;2.江西省气象科学研究所，江西 南昌 330046)

自20世纪80年代以来，卫星遥感己成为许多农作物监测项目研究的重要手段［1］。2000年初，我国开始关注MODIS中分辨率成像光谱仪(moderate－resolution imaging spectroradiometer)资料处理及信息提取技术［2］。近几年，基于MODIS数据的应用研究已经发展到包括水环境、大气、农业等监测领域［3－6］。由于MODIS数据具有获取容易，多波段，空间中分辨率，时间分辨率相对较高及产品种类多等特点，其在农作物长势及估产等监测应用中具有较大优势。

研究水稻光谱特征与水稻长势及产量构成要素之间的联系是水稻遥感估产的基础［7］。研究表明，采用归一化植被指数对作物产量进行估测是一种有效的方法［8－13］。然而，随着水稻生长至抽穗期前后，作物冠层几乎完全被水稻覆盖，归一化植被指数NDVI在植被高覆盖区容易达到饱和［14］。增强型植被指数(enchanted vegetation index，EVI)引入了蓝光波段，有效地降低了大气、土壤、气溶胶的影响，可避免因为生物量高而造成的饱和问题。研究表明，EVI比NDVI能更好地与叶面积指数、生物量和有效光合辐射分量等建立线性关系，可以更有效地进行作物监测及估产，提高预测的准确性［15］。本文针对长江流域双季稻区水稻产量难以准确动态估算，应用MODIS遥感数据，采用增强型植被指数(EVI)，开展双季早稻估产研究，以求水稻估产更加宏观、动态和准确。

1 数据来源与处理方法

1.1 数据来源

遥感数据:MODIS是搭载在terra和aqua卫星上的一个重要传感器。本文采用的MOD13Q数据来源于美国航空航天局(The National Aeronautics and Space Administration，NASA)网站和江西省气象科学研究所数字卫星广播系统(DVB－S)接收的晴空数据。MODIS产品有44种，可以分为大气、陆地、冰雪、海洋4个专题数据产品，其中MOD13Q属于陆地专题的产品。MOD13Q数据是采用Sinusoidal投影方式的3级网格数据产品，具有250 m的空间分辨率，每隔16 d合成1次。当缺少250 m分辨率的蓝波段时，EVI算法使用500 m分辨率的蓝波段矫正残余的大气影响。在江西省范围，MODIS数据分区块中涵盖h27v05、h27v06、h28v05、h28v06四个投影块。本文获取了2001—2010年4月下旬至7月下旬双季早稻主要生育期间的影像数据。其中2005—2009年的遥感数据用于早稻产量估测模型的建立，2001—2004年、2010年数据用于模型的验证和产量的预测。

表1 江西省双季早稻2005—2010历年平均生育进程Tab.1 Average date of growth stage of early rice in Jiangxi Province during 2005 to 2010 月 － 日

表2 江西省双季早稻生育期与MOD13Q1数据时相对应关系Tab.2 Rice growth periods and corresponding MODQ13 in Jiangxi Province 月 － 日

早稻生育期资料:双季早稻生育期主要来源于江西全省12个双季水稻气象观测站2005—2010年观测资料。由于水稻移栽后进入返青阶段，禾苗因移栽受伤往往需恢复一段时间才开始生长，因而本文中水稻产量预测主要考虑分蘖、拔节、孕穗、抽穗扬花和乳熟等主要生育期。江西全省双季早稻多年平均生育进程详见表1。根据MOD13Q数据的成像时间，选择4期遥感影像，它们的合成时间覆盖了江西省双季早稻的分蘖期至乳熟期(表2)。

1.2 处理方法

1.2.1 增强型植被指数 研究中采用MODIS资料增强型植被指数对水稻生长状况长势进行分析，增强型植被指数模型为:

式中:B1、B2、B3分别为MODIS第1、第2和第3波段的光谱资料。

根据江西省气象科研所数字卫星广播系统(DVB－S)接收的MODIS历史晴空数据，采用监督分类方法，提取江西省水稻种植面积，结合增强型植被指数，通过图像运算可得到水稻种植区域的EVI图。

1.2.2 MODIS植被指数的16 d合成 MODIS资料合成主要采用3种方法，根据输入数据的质量，按照以下优先序列决定使用哪种合成方法。

(1)有限视角内的最大值合成:如果合成期内，晴天观测值少于30%，且多于2 d，选其中视角最小的2个计算植被指数，取二者中最大值。

(2)直接计算植被指数:如果只有1 d无云，则直接使用这天数据计算的植被指数。

(3)最大值合成:如果所有观测全部有云，则取合成期所有植被指数的最大值。

江西省属于多云雨地区，在早稻生育期内很难获得无云影响的影像数据。MODQ13植被指数产品的合成原理适用于江西多云雨的天气，其处理过程，最大限度地降低云、云阴影、气溶胶等对图像质量的影响。

2 结果与分析

2.1 相关性分析

本文以江西省赣州、抚州、吉安、南昌、上饶、新余、宜春、鹰潭等地级市为单元，对各单元内2005—2009年EVI总和与双季早稻产量进行相关性分析，结果表明，区域内的EVI和与区域内的早稻总产存在明显的线性相关(表3)。

表3 不同期影像EVI数据与对应总产的相关关系(各生育期样本数为40个)Tab.3 The relationship of the early rice growth period of EVI with total production(The number of samples is 40)

由表3可知，各时期EVI总和与早稻总产的相关系数均在0.9以上，其中从期号177的影像获取的数据EVI和总产的相关性最高，该成像阶段处于江西省双季早稻的乳熟期。因而利用EVI总和可对早稻总产进行预测，但此处的相关系数大小并不能代表各期数据对总产预测的结果优良。将通过均方根误差(Root Mean Square Error:RMSE)以及相对误差比较分析，来选择水稻总产最优遥感拟合模型。

式中，yi表示统计总产表示估算总产，n表示样本数。

2.2 估产模型的建立

为更好地预估水稻产量，本文分别建立了水稻单个生育期及多个生育阶段的预测回归方程(表4)。由表4可知，采用不同生育期的EVI进行估产的效果不同。模型1－4采用的数据是单个生育期内的数据，模型5－7是把两个或两个以上的生育期内的数据进行了组合。各模型拟合系数均在0.9以上，其中模型4的拟合系数R的平方最大，表明该模型与样本值的拟合程度最佳，但利用该模型得到的预测值与估测值所求的RMSE值也偏大。利用单个生育期的数据进行估产预测，分蘖期的回归模型均方根误差为6.13，数值最小，预测结果最好，其次是拔节期、抽穗扬花期，乳熟期的回归模型均方根误差为18.80，

数值最大，预测效果偏低。从表中数据可以看出，通过生育期的组合，可以提高模型的预测精度，利用分蘖期跟拔节期两个生育期的EVI进行回归所得到的模型均方根误差为5.596，该值要小于单个生育期模型的均方根误差。将前3个生育期的数据组合建立回归模型，其均方根误差为7.99，该值大于分蘖期模型的均方根误差，小于拔节期模型的均方根误差，但是加入乳熟期数据之后模型的均方根误差增大，均方根误差达到了20.31。这是因为乳熟期水稻叶绿素含量开始降低，植被指数逐渐变小，谷物开始灌充乳状物质，该时期的植被指数对产量的影响程度也开始下降。模型5的均方根误差最小，该模型的数据获取时间为分蘖期与拔节期，由于分蘖期以叶、蘖、根生长为中心，是水稻一生中氮素代谢最旺盛的时期，是每亩穗数的决定期。拔节长穗阶段，是营养生长向生殖生长转化的重要时期，也是决定产量的关键时期。因此利用这两个时期的数据进行估产得到的结果最优是合理的。由于模型4与模型7的均方根差偏大，舍弃对这两个模型的分析，只对剩余的5个模型进行验证。

表4 双季早稻各生育阶段回归方程Tab.4 Regression equations of the early rice growth stages

图1 各模型市级早稻总产预测结果散点图及市级预测相对误差Fig.1 Scatter plot and relative error of municipal production estimation results with the 5 models

2.3 模型的验证与选择

本文通过2010年江西省8个主要水稻种植区域的EVI数据与早稻总产数据，进行各个地市的早稻总产预测，同时给出了各个模型预测结果散点图与相对误差图(图1)。从散点图上可以直观的看出，模型5与模型6的拟合程度最优，各个点的分布最接近1∶1的参考线。这两个模型的数据获取时间分别是分蘖期，分蘖期与拔节期。对应相对误差来看，模型5预测结果的相对误差除吉安市在－7%左右，其余各市在－5%～5%。模型3的预测结果相对误差比较大，对于鹰潭市的早稻总产预测相对误差超过了15%，为了验证模型的适用性，分别利用该5个模型对2001—2004年以及2010年江西省省级早稻总产进行估算，估算结果图2。从散点图可以看出模型5的预测结果最接近统计值的分布区域。从相对误差的折线图可以看出，省级总产的估算结果相对误差没有什么规律，模型3表现不稳定，在2003年的相对误差超过－6%。总体上，模型5的相对误差在2%以内。从市级总产估算与省级总产估算两个角度进行验证的结果一致:模型5的预测结果最优，均方根差与相对误差都相对较小。因此我们选择模型5估算的结果作为江西省省级早稻的估算模型。2001—2004年早稻省级估算的结果以及2010年的预测结果见表5，2001—2004年利用最有模型估算的结果相对误差在2%以内，对2010年江西省早稻总产的估算结果相对误差为0.8%。

图2 各模型省级总产预测结果对比与相对误差Fig.2 Result comparison and relative error of the provincial production estimation results with the 5 models

表5 最优模型对省级总产估算结果Tab.5 Results of the provincial total yield estimation with the optimal model

3 结论与讨论

相对于北方地区而言，利用遥感技术进行作物的估产方法在南方地区的应用相对要少一些，一方面受地形地貌的影响，另一方面受南方多云雨天气的影响。江西省是水稻大省，找到一种方便、快捷、成本低的水稻估产方法是现代农业的一种需求。本文利用MODIS植被指数产品对研究区域的双季早稻总产进行了估算。研究表明，分区内早稻总产与分区内EVI值之和存在显著的相关关系。利用该关系建立估产模型是可行的。最优模型的选择与验证过程表明，利用分蘖期与拔节期数据进行组合的方式所得到的估产结果最好，相对误差与均方根误差相对其他模型最小。不足之处是本研究没有考虑江西省南北差异的问题，一方面是某些区域水稻分布零散，利用MODIS数据解译的精度会降低，因此我们在选择样本时舍弃了某些地市，另一方面统计数据多是以行政区划为单位，所以很难获取其他区域数据。直接利用MODQ13的EVI数据，选择合适的样本进行估算大大降低了估产成本，同时估算结果的相对误差在2%以内，对于江西省早稻总产的估算有一定的指导意义。

［1］周清波.国内外农情遥感现状与发展趋势［J］.中国农业资源与区划，2004，25(5):9－14.

［2］刘玉洁，杨忠东.MODIS遥感信息处理原理与算法［M］.北京:科学出版社，2001.

［3］钟诚，何晓蓉，李辉霞.遥感技术在西藏那曲地区草地退化评价中的应用［J］.遥感技术与应用，2003，18(2):99－102.

［4］关元秀，刘高焕.区域土壤盐渍化遥感监测研究综述［J］.遥感技术与应用，2001，16(1):40－44

［5］孟昭山，杨士伟.卫星遥感技术在城市绿地调查方面的应用［J］.东北测绘，2003，26(2):54－56.

［6］郑朝洪，张岸，邓娴芬，等.福州市热岛效应的监测与探讨［J］.城市管理与科技，2004，6(3):103－105.

［7］黄敬峰，王福民，王秀珍.水稻高光谱遥感实验研究［M］.杭州:浙江大学出版社，2010:196－197.

［8］邓睿，黄敬峰，王福民，等.基于中分辨率成像光谱仪(MODIS)数据的水稻遥感估产研究:以江苏省为例［J］.中国水稻科学，2010，24(1):87 －92.

［9］焦险峰，杨邦杰，裴志远，等.基于植被指数的作物产量监测方法研究［J］.农业工程学报，2005，21(4):104－107.

［10］张海珍，马泽钟，周志跃，等.基于MODIS数据的成都市水稻遥感估产研究［J］.遥感信息，2008，22(5):63－67.

［11］范莉，罗孳孳.基于MODIS－NDVI的水稻遥感估产研究—以重庆三峡库区为例［J］.西南农业学报，2009，22(5):1416－1419.

［12］解文欢，张有智，吴黎.基于植被指数对望奎县粮食作物产量预测方法的研究［J］.黑龙江农业科学，2011，33(4):113－115.

［13］孙俊英，黄进良，王立辉.湖北省粮食单产遥感估算方法［J］.世界科技研究与发展，2009，31(5):897－900.

［14］王正兴，刘闯，Huete A.植被指数研究进展:从 AVHRR －NDVI到 MODIS－EVI［J］.生态学报，2003，23(3):979 －987.

［15］Wim J D，Alfredo R，Huete，et al.MODIS vegetation index compositiong approach:a prototype with AVHRR data［J］.Remote Sensingof environment，1999，69:264 －280.